neuralforecast

尼克斯特拉

神经？预报

用户友好的最先进的神经预测模型

NeuralForecast提供了大量的神经预测模型，重点是其性能，可用性和鲁棒性。 The models range from classic networks like RNNs to the latest transformers: MLP , LSTM , GRU , RNN , TCN , TimesNet , BiTCN , DeepAR , NBEATS , NBEATSx , NHITS , TiDE , DeepNPTS , TSMixer , TSMixerx , MLPMultivariate , DLinear , NLinear , TFT , Informer , AutoFormer , FedFormer , PatchTST ， iTransformer ， StemGNN和TimeLLM 。

安装

您可以使用NeuralForecast

 pip install neuralforecast

或者

 conda install - c conda - forge neuralforecast

访问我们的安装指南以获取更多详细信息。

快速开始

最小例子

 from neuralforecast import NeuralForecast
from neuralforecast . models import NBEATS
from neuralforecast . utils import AirPassengersDF

nf = NeuralForecast (
    models = [ NBEATS ( input_size = 24 , h = 12 , max_steps = 100 )],
    freq = 'M'
)

nf . fit ( df = AirPassengersDF )
nf . predict ()

开始此快速指南。

为什么？

人们对神经预测方法的能力有着共同的信念，可以提高预测管道的准确性和效率。

不幸的是，可用的实施和已发表的研究尚未实现神经网络的潜力。它们很难使用，并且在计算效率高的同时，无法通过统计方法进行改进。因此，我们创建了NeuralForecast ，这是一个偏爱侧重于其可用性的准确有效模型的图书馆。

特征

• 快速准确的实现30多个最先进的模型。请参阅此处的整个集合。
• 支持外源变量和静态协变量。
• 趋势，季节性和外源成分的解释性方法。
• 概率预测，用于适配器，用于分位数损耗和参数分布。
• 与规模依赖，百分比和比例独立错误以及参数可能性相关的训练和评估损失。
• 使用分布式自动高参数调整的自动型号选择。
• 熟悉的Sklearn语法： .fit和.predict 。

亮点

• 官方的NHITS实施，于2023年AAAI出版。请参阅论文和实验。
• NBEATSx官方实施，发表在《国际预测杂志》上。见纸。
• 与StatsForecast ， MLForecast和HierarchicalForecast接口NeuralForecast().fit(Y_df).predict() ，输入和输出统一。
• 与utilsforecast和coreforecast内置集成，用于可视化和数据包裹有效方法。
• 与Ray和Optuna集成自动超参数优化。
• 使用转移学习几乎没有历史的预测。在此处检查实验。

缺少什么？请打开问题或写信给我们

例子和指南

文档页面包含所有示例和教程。

？自动超参数优化：使用Ray或Optuna上的Auto型号易于且可扩展的自动超参数优化。

？外源回归者：如何纳入天气或价格（例如天气或价格）的静态或颞外源协变量。

？变压器模型：学习如何使用许多最新的变压器模型来预测。

？分层预测：预测序列很少，非零观察结果。

？‍？添加您自己的模型：了解如何在库中添加新模型。

型号

请参阅此处的整个集合。

缺少模型？请打开问题或写信给我们

如何贡献

如果您想为该项目做出贡献，请参阅我们的贡献指南。

参考

这项工作受到以前撰稿人和其他学者在此提出的神经预测方法的奇妙工作的影响。我们想强调鲍里斯·奥雷什金（Boris Oreshkin），斯拉维克·史密斯（Slawek Smyl），布莱恩·林（Bryan Lim）和大卫·萨利纳斯（David Salinas）的作品。我们指的是Benidis等。有关神经预测方法的全面调查。

贡献者

谢谢这些好人（表情符号钥匙）：

阿祖尔 ？	克里斯蒂安乡村人 ？	何塞·莫拉莱斯（JoséMorales） ？	Mergenthaler	亲属 ？ ？	格雷格·德沃斯（Greg Devos） ？	亚历杭德罗
Stefanialvs ？	Ikko Ashimine ？	vglaucus ？	Pietro Monticone ？

该项目遵循全企业规范。欢迎任何形式的贡献！